[发明专利]一种基于卷积神经网络的低剂量X射线乳腺成像方法

说明书

本发明提供一种基于卷积神经网络的低剂量X射线乳腺成像方法，包括：获取低剂量X射线乳腺图像；建立卷积神经网络；训练卷积神经网络；使用已训练网络对低剂量X射线乳腺图像进行降噪。本发明有效抑制低剂量X射线乳腺图像的量子噪声，提高低剂量X射线乳腺图像的图像质量，大大降低了临床X射线乳腺检测的辐射剂量；低剂量X射线乳腺图像的量子噪声近似服从泊松分布并依赖于像素值，使用传统降噪算法难以对其进行有效去除，本发明基于卷积神经网络并采用监督学习算法，学习低剂量X射线乳腺图像到标准剂量X射线乳腺图像的映射，能够有效抑制低剂量X射线乳腺图像噪声，提高图像质量，降低X射线乳腺检测的辐射剂量。

技术领域

本发明实施例涉及X射线乳腺成像及深度学习领域，尤其涉及一种基于卷积神经网络的低剂量X射线乳腺成像方法。

背景技术

乳腺癌作为女性发病率和致死率最高的癌症之一，已经引起了全球的医务工作者、科学研究人员的日益重视。影像学检查是乳腺疾病诊断和筛查最为重要的手段之一，常见的乳腺疾病影像学技术主要包括：超声乳腺成像、核磁共振乳腺成像、X射线乳腺成像。其中，X射线乳腺成像是目前诊断乳腺疾病最有效、最可靠的方法。

X射线作为一种高能射线，会对人体产生辐射，这种辐射能够穿透细胞，破坏DNA，甚至会诱发癌症。降低管电流是一种降低X射线辐射剂量的有效方法，但是会在探测器采集到的图像上引入量子噪声，这种噪声服从泊松分布，且依赖于图像的像素值。这种量子噪声与常见的高斯噪声不同，难以使用传统降噪方法进行去除。

深度学习技术在图像处理领域取得了众多应用成果。其中，卷积神经网络具有稀疏连接、局部连接以及参数共享的特点，尤其适合处理图像数据，已经被广泛地应用于图像降噪等各种图像处理算法当中。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于卷积神经网络的低剂量X射线乳腺成像方法，以减少X射线乳腺成像的辐射剂量，提高低剂量X射线乳腺成像的图像质量。

第一方面，本发明实施例提供了一种基于卷积神经网络的低剂量X射线乳腺成像方法，包括：

步骤一：通过降低管电流来降低X射线乳腺成像的辐射剂量，获取低剂量X射线乳腺图像，该过程在图像中引入量子噪声，得到引入量子噪声的低剂量X射线乳腺图像量子噪声，该量子噪声服从泊松分布并且依赖于低剂量X射线乳腺图像的像素值；

步骤二：建立卷积神经网络对所述引入量子噪声的低剂量X射线乳腺图像进行处理，对进行降噪，获得不含量子噪声的高质量乳腺图像；所述卷积神经网络基于U-Net与Densenet，以卷积层及激活函数为基本单元构建卷积神经网络；在网络中具有下采样和上采样操作，图像输出尺寸与输入尺寸相同，建立卷积神经网络；

步骤三：训练所述降噪卷积神经网络，使网络模型能实现预期目标；训练过程是将步骤一中的低剂量X射线乳腺图像作为网络输入，标准射线辐射剂量下的X射线乳腺图像作为网络标签，训练过程会使网络不断通过降低损失函数来达到参数优化，得到训练的卷积神经网络；

步骤四：将获取低剂量X射线乳腺图像输入至已训练完成的卷积神经网络进行降噪，获取低噪声的X射线乳腺图像。

所述低剂量X射线乳腺成像是通过降低管电流来实现降低单位时间内的光子通量，达到射线剂量的有效降低。

所述步骤二中，量子噪声服从泊松分布，且低剂量X射线乳腺图像的像素值，所述像素值如公式(1)所示：

其中，I_ld(x,y)为低剂量X射线乳腺图像在点(x,y)处的像素值，I_nd(x,y)为标准X射线乳腺图像在点(x,y)处的像素值，λ为控制量子噪声程度的常数，Possion()为泊松序列发生器。